Estudio muestra el uso de aprendizaje profundo y electrocardiogramas para la detección de comunicación interauricular.
Investigadores del Brigham and Women’s Hospital en Estados Unidos y la Universidad de Keio en Japón desarrollaron un modelo de aprendizaje profundo o deep learning, capaz de detectar electrocardiogramas (ECG) que buscan signos de comunicación interauricular (CIA). La CIA es un defecto cardiaco congénito que se caracteriza por un orificio en la pared de las aurículas, ubicada en las cavidades superiores del corazón. Esta enfermedad requiere ser diagnosticada antes de la adultez para evitar daños al corazón y a otros órganos como los pulmones y así evitar el acortamiento de la expectativa de vida.
El artículo científico titulado “Modelo basado en el aprendizaje profundo detecta los defectos del tabique interauricular a partir de la electrocardiografía: un estudio transversal multicéntrico basado en un hospital” se centra en abordar uno de los desafíos médicos en el campo cardiovascular: la detección temprana y precisa de la CIA. Como se mencionó anteriormente, esta condición puede tener implicaciones significativas para la salud cardiovascular de los pacientes, pero su diagnóstico suele ser complicado debido a los síntomas sutiles.
En este sentido, el estudio propone una aproximación innovadora que utiliza tecnología de aprendizaje profundo y redes neuronales convolucionales para identificar la CIA a partir de ECG de 12 derivaciones. El objetivo es mejorar la detección y diagnóstico tempranos, lo que podría contribuir a un manejo más eficaz de los pacientes con este tipo de afección cardíaca.
El estudio recopiló ECGs de pacientes con al menos una ecocardiografía registrada en tres hospitales de dos continentes diferentes: el Hospital de la Universidad de Keio (de julio de 2011 a diciembre de 2020), el Brigham and Women’s Hospital (de enero de 2015 a diciembre de 2020) y el Dokkyo Medical University Saitama Medical Center (de enero de 2010 a diciembre de 2021). Se etiquetaron como casos positivos los ECGs de pacientes con diagnóstico de CIA, mientras que el resto se etiquetó como negativos.
Lorem ipsum pain sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.
Posteriormente los investigadores dividieron aleatoriamente los ECGs en tres conjuntos de datos (50% para derivación, 20% para validación y 30% para prueba), sin superposición de pacientes, y entrenaron el modelo de aprendizaje profundo utilizando los conjuntos de datos de derivación de dos hospitales. De esta manera lo probaron en conjuntos de datos retenidos, además de una validación externa en el tercer hospital.
La capacidad discriminatoria del modelo fue evaluada evaluó mediante el área bajo la curva característica de operación del receptor o AUROC. Los resultados mostraron la recopilación de un total de 671,201 ECGs de 80,947 pacientes en los tres hospitales. El AUROC para detectar CIA fue de 0.85 a 0.90 en los tres hospitales. El análisis de subgrupos demostró un buen rendimiento en diversas características. La simulación de detección usando el modelo aumentó significativamente la sensibilidad del 80.6% al 93.7% a una especificidad del 33.6% en comparación con el uso de anormalidades ECG evidentes.
En conclusión, el estudio demuestra que este modelo basado en aprendizaje automático y utilizando ECGs identificó con éxito la presencia de CIA, además lo hizo en instituciones de dos continentes diferentes, lo que es importante para su futura aplicación en entornos clínicos. Este enfoque, además, tiene el potencial de mejorar la detección temprana de esta condición y el diagnóstico preciso, lo que podría tener implicaciones significativas para la salud cardiovascular y el bienestar de los pacientes.
Check the full study at the following link:
https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(23)00318-8/fulltext
